Kullanıcı Deneyimi Araştırmalarında Üretken Yapay Zekânın Kullanımı

Son zamanların en hareketli ve popüler konusunun üretken yapay zekânın gündelik konulardan iş hayatına kadar her alanda deneyimi dönüştürme evresinde olduğu aşikâr. Steven Spielberg filmleriyle büyüyen bir nesil olarak üretken yapay zekâdan beklenti de oldukça yüksek. Bu makalenin amacı, üretken yapay zekânın ‘bugün’ kullanıcı deneyimi araştırmalarında hayatımıza ne kattığı ve eksikliklerinin ne olduğunu anlamak ve ‘bugünden’ hızlı bir aksiyon alabilmek. Kısa bir süre içinde bu makalenin kullanım süresinin dolacağından da şüphemiz yok. Lakin şimdiden gücü keşfedersek, ilerisi için oyun alanımız daha geniş olacaktır.

Nedir bu üretken yapay zekâ?
 

Üretken yapay zekânın en büyük marifeti, büyük miktarda bilginin makineye öğretilmesi ve bu bilgiye dayanarak yeni içerik oluşturabilmesi. Bir başka deyişle üretken yapay zekâ, metin veya görsel veriyi kullanarak daha kısa zamanda ve daha az eforla yeni içerikler üretebiliyor. 

Üretken yapay zekânın kullanıcı deneyimi araştırması için önemi nedir?

Kullanıcıyı tanımak, problemini tespit etmek ve fikir üretmek, prototip oluşturmak, ürünün nihai halini düzenli olarak ölçümlemek için her bir adımda kullanıcı deneyimi araştırmalarının yapılması gerekiyor. 
Bu adımlarda üretken yapay zekâ; araştırmanın tasarlanmasından, akış yazımına, hatta analiz ve raporlamaya kadar uçtan uca, adeta bir asistan gibi, hizmet sağlayabilir. Biz bu makalede, araştırmacıların hayatını kolaylaştıracağı ve katma değerinin yüksek olduğunu düşündüğümüz ‘üretken yapay zekânın araştırma analizi/raporlanması’ esnasındaki becerileri ve gelişim alanına odaklanacağız. Yaratıcılık, bütüncül bakış sağlama ve önyargıları azaltma konusunda üretken yapay zekânın hayatımıza kattığı değeri konuşmaya başlayalım:

Verileri özetleme ve büyük resmi çizmede adeta bir Profesör X
 

X-men ailesinin en güçlü karakterlerinden biri olan Profesör X’i hatırlayın: Saniyeler içinde binlerce kilometredeki insanların aklını okuyabiliyor onlara yol açıyor ve liderlik ediyordu. Üretken yapay zekâyı Profesör X’e benzetsek çok abartmış olmayız. Her türlü metinsel veriyi hızlıca özetlemesi, verilen prompt’a göre veriyi harmanlaması ve hikâyeleştirme yeteneği heyecan verici bir süper güç niteliğinde.
Kullanıcı deneyimi uzmanlarının %92’sinin en az bir üretken yapay zekâ aracını kullanmış olduğu gözlemleniyor. Özellikle araştırma esnasında bilgiyi toplama, harmanlama ve öneri sunma gibi alanlarda  kullanıldığı göz önünde bulundurulduğunda meslektaşlarımızın da üretken yapay zekâyı kullanma noktasında heyecanlı olduğunu söyleyebiliriz.

Örneğin;
Ürününüz için keşif aşamasında bir araştırma yapmak istediğinizi farz edelim. Halihazırda elinizde bulunan marka/ürününüze dair tüm sosyal medya, müşteri memnuniyeti, marka sağlığı, kullanıcı deneyimi gibi konularda yapılan araştırmaları bir araya getirerek; mevcutta nasıl bir deneyim sunduğunuzu, herhangi bir yeni araştırma yapmadan dahi keşfedebilirsiniz. Tabiri caizse, büyük resmi görebilir ve hatta sonraki adımların nasıl olacağına dair bir yönlendirme alabilirsiniz. Burada en önemli detay, üretken yapay zekânın yaratıcı gücünü ortaya çıkarmak için onun bir araştırmacı gibi düşünmesini ve metin yazarı gibi yazmasını, datayı bir görsel tasarımcı gibi üretmesini sağlayacak doğru sorguları (prompt) verebilmek.
Ya da çok ülkeli bir kullanıcı deneyimi araştırması yapmışsanız sonuçları tek elden hızlı bir şekilde analiz edebilir, ülkeler arası benzerlikleri ve farklılıkları tespit edebilir, dahası sonraki adımları belirleyebilirsiniz.

 
Duygu analizi için güçlü bir aday
 

Üretken yapay zekânın önemli güçlerinden biri de duygu analizini etkin bir şekilde yapabilme yeteneği olarak öne çıkıyor. Ipsos üretken yapay zekânın duygu analizi yapmadaki gücünü anlayabilmek adına aynı araştırma datasını hem duygu analizi yapan platformlarla hem de üretken yapay zekâ platformunda sorguları (prompt) kullanarak test etti. Bu çalışmada, üretken yapay zekânın -her ne kadar bu analiz için tasarlanmamış olsa bile- cümle düzeyinde, bu tarz araştırmalarda hâlihazırda kullanılan analiz platformu kadar iyi performans gösterdiği gözlemlendi .  Bu da bize, analiz esnasında kullanıcıların ürün özelliklerine veya etkileşimlere yönelik yorumlarından referansla kullanıcı duygularının herhangi farklı bir platforma ihtiyaç duymadan üretken yapay zekâ ile yapılabileceğini gösteriyor. Örneğin kantitatif bir kullanıcı deneyimi gerçekleştiriyorsunuz. Araştırmanızın içinde geniş örnekleminize yönelttiğiniz deneyimin zorluk/kolaylığına, tavsiyesi durumuna, kullanıcının önce&sonrasında hissedilen duyguları açık uçlu yanıtları çeşitli sorgular (prompt) kullanarak kodlayıp duygu analizi yapabilirsiniz. Bu analizi zaten yapıyorduk dediğiniz noktada şu notu düşmek lazım. Sadece duygu analizi değil, buradaki gelişim alanlarını, araştırma çıktılarını harmanlayıp analizle diğer öğeleri bütüncül olarak okuyabilirsiniz.

Araştırmacının ön yargılarından arınmış sonuçlar:
 

Kullanıcı deneyimi literatürde sıkça tartışıldığı üzere; insan doğası gereği karşılaştığı bilgilere bir takım bilişsel ön yargılar oluşturabiliyor.  Ipsos’un 32 ülkede yaptığı araştırmaya göre biz insanların da yapay zekânın insanlara göre daha az ‘ayrımcılık yaptığına’ inanması  bu fikri destekleyen noktada. İnsan doğasının bir parçası olarak bilgiyi görme sıralaması, etnik/kültürel ön yargılar, dikkat eksikliği ve hafıza gibi unsurlardan ötürü bilgiyi analiz ederken farkında olmadan hataya düşebiliyor.
Burada not düşmemiz gereken kısım, tabi ki doğası itibarıyla üretken yapay zekâ da tümüyle önyargıdan uzak değil. Sonuçta üretken yapay zekâ datası da %100 kültürel, din, dil, ırk anlamında kapsayıcıdır demek mümkün değil. Bunu her zaman dikkate alarak, üretken yapay zekânın holistik veriyi daha iyi derlemesinden faydalanabiliriz. Nasıl mı? Üreten yapay zekânın büyük verileri kümülatif bir şekilde işleme ve kontrol etme kapasitesi sayesinde; görüşme dökümleri, online günlükler, açık uçlu cevaplar vb.gibi birçok tüketici verisi toplu bir şekilde ve %100 oranında kontrol edilebilir duruma geliyor. Örneğin; Ipsos UX Score araştırmalarında büyük örneklemdeki kullanıcıların açık uçlu cevapları, ses ve video kayıtları ve birebir görüşmeler optimize edilmiş sorgular (prompt) kullanılarak yapay zekâ aracılığıyla analiz ve kontrol ediliyor. Bu sayede; tüm verilere toplu ve objektif olarak bakılabiliyor, subjektif yorumlardan uzak bir analize imkân sağlanıyor.

Gelelim gelişmesi gereken alanlara:
 

Bazen özgürlüğünü ilan edip, konudan uzaklaşabiliyor.
 

Üretken yapay zekâ, kimi zaman verileri analiz ederken halüsinasyon görebiliyor ve yanıltıcı bilgileri büyük bir güven ile doğruymuş gibi sunabiliyor. Dolasıyla, tamamen üretken yapay zekâya dayalı bir persona ve/veya müşteri yolculuğu üretmek hem güç hem de güvenilirlikten uzak kalıyor. Bir örnek vermek gerekirse, bir UX araştırmasında personaya dair bilgiler aşamalar halinde verilirken belli bir süre sonra üretken yapay zekâ kendi yaratıcılığını katabiliyor ve gerçek analizden uzaklaşabiliyor. Bu konuya dair geribildirim verildiğinde ise ‘özür dileyerek’ analizini verilere geri dönerek yeniden düzenleyebiliyor. Yapay zekâ geliştirilirken ve analiz sağlarken, sunulan verilerden beslenir. Bu veriler denetimli bir şekilde sağlanmadığında ve kontrol edilmediğinde; özellikle de gerçek insan verisinden uzaklaşıldığı, bağlam ve zamansallık dikkate alınmadığı noktada, yapay zekânın analizinin kalitesi ve doğruluğu da tartışılabilir bir hale geliyor.  

Ipsos’un bu noktadaki en önemli yaklaşımı; üretken yapay zekânın tek başına değil, hem gerçek kullanıcı verilerinin merkeze alınarak hem de kültürel kodlara hâkim araştırmacıların kontrolü ve yönlendirmesiyle gerçekleşmesi gerektiği yönünde. Dolasıyla empati merkezli araştırma ve araştırmacının kendi eli ve zekasının olmadığı bir araştırma tasarımını ‘gelecek’ olarak sunmayı ya da ‘kullanıcılara artık ihtiyacımız olmayacak’ gibi bir bakış açısını benimsemenin şu anki koşullar altında mümkün olmadığını söyleyebiliriz.

Kültürel nüansları görme konusunda miyop.

Üretken yapay zekâyı kültürel kodlar konusunda detaylı bir şekilde bilgilendirmediğiniz durumda analizleri oldukça genel ya da global kalabiliyor. Özellikle çok ülkeli çalışmalarda ya da farklı/özel kitlelerin olduğu araştırmalarda çıktıların kültürel açıdan da ayrışması gerekmekte. Analizin, kültürel kodlar dikkat alınarak, ürün sahiplerine doğru çıktı ve aksiyonları sağlaması hedeflenmeli. Bu noktada, kültürel nüanslara (dil, din, sınıfsal vs.) hâkim bir araştırmacının kendi içgörüleriyle analizi zenginleştirmesi gerekiyor. Örneğin Türkiye’de temel dijital beceri oranı %33 ile AB ortalaması olan %56’nın çok gerisinde, “bilgi ve veri okur yazarlığı”nda Avrupa’da sondan 3. sırada.  Bankacılığa dair yapılan bir deneyim araştırmasını düşünelim. Hedef kitlesinde düşük dijital okuryazarlığı olan kullanıcıların da olması gerekiyor. Bu noktada, aksiyon butonları evrensel buton isimleri ile aynı olmamalı. Dolasıyla analizi yapan araştırmacının sosyo-kültürel bağlama ve gerçek kullanıcıların beceri düzeyine hâkim olarak araştırma analizini yapmalı ve tasarımcıları yönlendirmeli. Bu nüansları görme noktasında insan zekâsını kullanmak gerekiyor.

Tüm bunlar kullanıcı deneyimi araştırmacılarına ne diyor? 
 

- Yapay zekâ, bilgi küratörlüğü konusunda büyük potansiyel sunar, araştırmacı önyargılarını ortadan kaldırma, veri analizine yardımcı olma noktasında kaliteli bir asistan olarak ‘işe alınmalı’.
- Güçlü yönlerine rağmen, yapay zekâ tek başına araştırma sürecini uçtan uca gerçekleştirebilecek noktada/yetkinlikte değil. Ipsos’un bu konudaki yaklaşımı üretken yapay zekâyı insan bilgisi ve önderliğiyle etkin bir şekilde kullanmak yönünde. Dolayısıyla araştırmalarınızın merkezinde güncel zamanda ve gerçek insanlar tarafından sağlanmış veriler kullanılmalı.
- Teknoloji geliştikçe, üretken yapay zekâyı kullanabilecek ve iş akışlarına daha sorunsuz bir şekilde entegre edecek araştırmacılara yatırım yapmanın zamanı da geldi gibi görünüyor.

Bizi gelecekte ne bekliyor?
 

Daha şimdiden gelişim hızını tahmin etmek güç olsa da kullanım alanları arasında; kişiselleştirilmiş içerik üretimi, otomatik tasarım prototiplemesi, doğal dil üretimi, arttırılmış yaratıcılık ve dinamik içerik üretimi gibi alanlarda potansiyeli öne çıkıyor.  Yapay zekâ destekli arayüz tasarımları noktasında da örnek vaka çalışmaları ile UI/UX dünyasındaki kullanım alanları test ediliyor. Yakın bir gelecekte bu makalede sözü edilen kullanım alanlarının daha da geliştiği, bir yandan da yeni kullanım senaryoları ve araçlarının oluştuğu bir dünyaya yelken açmamız hiç de hayalperest bir bakış açısı olmayacak. Bir sonraki aşamada belki de yapay zekânın elinden çıkan tasarımların test edildiği ve belki de yapay zekânın deneyim araştırması sonuçlarının araştırmacı tarafından teyit edildiği bir dünya bizi bekliyor olacak. Umarım bu makale hızlı bir şekilde tarihe karışır ve üretken yapay zekâ, asistanlık görevinden hızlı bir şekilde araştırmacılara katkı sağlamak üzere daha yetkin bir iş tanımına geçiş yapar.